دو آزمون اماري براي شناسايي نقاط پرت در اندازه گيري عملكرد ناپارامتري

Two Statistical Tests for Outlier Identification in NonParametric Performance Measurement

در تحليل پوششي داده ها كه از مقايسه ي عملكرد نسبي يك واحد در قياس با مجموعه ي مرجع براي تشخيص ناكارايي نسبي و ارائه ي الگوي بهبود استفاده مي شود، تشخيص درست واحدهاي پرت براي دستيابي به نتايج دقيق بسيار مهم است. در اين نوع مدل ها ي مرز قطعي، امروزه به كارگيري آزمون هاي آماري در تشخيص داده هاي پرت بسيار مرسوم هستند. اين مقاله به معرفي دو آزمون آماري براي تشخيص نقاط پرت در تحليل پوششي داده ها مي پردازد. در هر دو روش ارايه شده ، هر مشاهده يك بار از نمونه حذف شده و نتايج مدل هاي برآورد كارايي مربوط به حذف اين واحد براي توليد به توزيع برآورد كارايي قبل و بعد از حذف استفاده مي شود. بر اساس توزيع به دست آمده، دو آزمون آماري طراحي و معرفي مي شود تا نقاط پرت بالقوه را شناسايي كند. نتايج اجراي اين روش را از طريق مجموعه اي از داده هاي واقعي نشان داده ايم. در مجموع، روش معرفي شده مي تواند در اولين گام قبل از استفاده از هر برآورد مرزي جهت تشخيص و حذف داده هاي پرت استفاده شود.

In data envelopment analysis the use of peer set to assess individual or best practice performance, detecting outliers is critical for achieving accurate results. In these deterministic frontier models, statistical tests are now mostly available. This paper deals with two statistical tests for detecting outliers in data envelopment analysis. In the presented methods, each observation is deleted from the sample once and the resulting DEA model is solved, leading to a distribution of efficiency estimates; before and after elimination. Based on the achieved distribution, two statistical tests are then designed to identify the potential outlier(s). We illustrate the method through a real data set. The method could be used in a first step before using any frontier estimation